摘要:是一個開源低代碼的機器學習庫,可自動執行機器學習工作流。它是一種端到端的機器學習和模型管理工具,可以以指數方式加快實驗周期并提高您的工作效率。與其他開源機器學習庫相比,是一個替代的低代碼庫,可用于僅用幾行代碼替換數百行代碼。
PyCaret 是一個開源、低代碼的 Python 機器學習庫,可自動執行機器學習工作流。它是一種端到端的機器學習和模型管理工具,可以以指數方式加快實驗周期并提高您的工作效率。歡迎收藏學習,喜歡點贊支持,文末提供技術交流群。
與其他開源機器學習庫相比,PyCaret 是一個替代的低代碼庫,可用于僅用幾行代碼替換數百行代碼。 這使得實驗速度和效率呈指數級增長。 PyCaret 本質上是圍繞多個機器學習庫和框架(例如 scikit-learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt、Ray 等)的 Python 包裝器。
PyCaret 的設計和簡單性受到數據科學家這一新興角色的啟發,可以執行以前需要更多技術專長的簡單和中等復雜的分析任務。
PyCaret 的新時間序列模塊現已提供測試版。 秉承 PyCaret 的簡單性,它與現有的 API 保持一致,并帶有很多功能。 統計測試、模型訓練和選擇(30 多種算法)、模型分析、自動超參數調優、實驗記錄、云部署等, 所有這一切只需要幾行代碼(就像 pycaret 的其他模塊一樣)。 如果您想嘗試一下,請查看官方的快速入門筆記本。
您可以使用 pip 安裝此庫。 如果你在同一個環境中安裝了 PyCaret,由于依賴沖突,你必須為 pycaret-ts-alpha 創建一個多帶帶的環境。
pip install pycaret-ts-alpha
PyCaret 的時間序列模塊中的工作流程非常簡單。 它從設置功能開始,您可以在其中定義預測范圍 fh 和折疊次數。 您還可以將 fold_strategy 定義為擴展或滑動。
設置后,著名的 compare_models 函數訓練和評估從 ARIMA 到 XGboost(TBATS、FBProphet、ETS 等)的 30 多種算法。
plot_model 函數可以在訓練之前或之后使用。 在訓練前使用時,它使用 plotly 界面收集了大量時間序列 EDA 圖。 與模型一起使用時,plot_model 處理模型殘差,并可用于訪問模型擬合。
最后,predict_model 用于生成預測。
import pandas as pdfrom pycaret.datasets import get_datadata = get_data("pycaret_downloads")data["Date"] = pd.to_datetime(data["Date"])data = data.groupby("Date").sum()data = data.asfreq("D")data.head()
# plot the datadata.plot()
這個時間序列是從 pip 每天下載 PyCaret 庫的次數。
# with functional APIfrom pycaret.time_series import *setup(data, fh = 7, fold = 3, session_id = 123)# with new object-oriented APIfrom pycaret.internal.pycaret_experiment import TimeSeriesExperimentexp = TimeSeriesExperiment()exp.setup(data, fh = 7, fold = 3, session_id = 123)
check_stats()
# functional APIplot_model(plot = "ts")# object-oriented APIexp.plot_model(plot = "ts")
# cross-validation plotplot_model(plot = "cv")
# ACF plotplot_model(plot = "acf")
# Diagnostics plotplot_model(plot = "diagnostics")
# Decomposition plotplot_model(plot = "decomp_stl")
# functional APIbest = compare_models()# object-oriented APIbest = exp.compare_models()
時間序列模塊中的 create_model 就像在其他模塊中一樣。
# create fbprophet modelprophet = create_model("prophet")print(prophet)
tune_model 也沒有太大不同。
tuned_prophet = tune_model(prophet)print(tuned_prophet)
plot_model(best, plot = "forecast")
# forecast in unknown futureplot_model(best, plot = "forecast", data_kwargs = {"fh" : 30})
# in-sample plotplot_model(best, plot = "insample")
# residuals plotplot_model(best, plot = "residuals")
# diagnostics plotplot_model(best, plot = "diagnostics")
# finalize modelfinal_best = finalize_model(best)# generate predictionspredict_model(final_best, fh = 90)
# save the modelsave_model(final_best, "my_best_model")
歡迎轉載、收藏、有所收獲點贊支持一下!
目前開通了技術交流群,群友已超過2000人,添加時最好的備注方式為:來源+興趣方向,方便找到志同道合的朋友
文章版權歸作者所有,未經允許請勿轉載,若此文章存在違規行為,您可以聯系管理員刪除。
轉載請注明本文地址:http://specialneedsforspecialkids.com/yun/124101.html
摘要:在本節中,我們將看到一些最流行和最常用的庫,用于機器學習和深度學習是用于數據挖掘,分析和機器學習的最流行的庫。愿碼提示網址是一個基于的框架,用于使用多個或進行有效的機器學習和深度學習。 showImg(https://segmentfault.com/img/remote/1460000018961827?w=999&h=562); 來源 | 愿碼(ChainDesk.CN)內容編輯...
摘要:月日,第六屆大會在深圳召開。這是這次大會的第二站活動,第一站已在上海成功舉辦。深圳站視頻及,請在公眾號后臺回復,獲取分享鏈接。據介紹,目前支持多種開發庫,如內置和等。該協議的推出,是為了統一標準,提高效率。 本文為 PyChina 和「編程派」聯合首發,作者為 EarlGrey。「編程派」是一個專注 Python 學習交流的微信公眾號。 9 月 25 日,第六屆 PyCon China...
摘要:太多的計算如果我們開始增加一個單線程來加載數據管道,那么這種操作最終肯定是會失敗的。優點所有上述的優點調度和可擴展性缺點由于功能的強大,所有學習門檻有點高總結最后,我們可以畫出我們一整個數據工程架構圖。 作者:chen_h微信號 & QQ:862251340微信公眾號:coderpai簡書地址:http://www.jianshu.com/p/7a72... 1. 介紹 在我們深入討論...
閱讀 2265·2023-04-25 23:15
閱讀 1917·2021-11-22 09:34
閱讀 1546·2021-11-15 11:39
閱讀 955·2021-11-15 11:37
閱讀 2152·2021-10-14 09:43
閱讀 3493·2021-09-27 13:59
閱讀 1506·2019-08-30 15:43
閱讀 3453·2019-08-30 15:43